激光里程计
文章平均质量分 84
phy12321
2019年入学研究生在读
展开
-
b站 史雪松:室内机器人系统的长期视觉定位与建图 简单记录
视频链接室内机器人系统的长期视觉定位与建图主要面临的问题包括:缺乏长期采集的数据以及真值,环境随时间的变化,多机协作等。作者对于以上问题提出的解决方案有:缺乏数据:发布了室内多传感器数据集 openLORIS-scene, 以及室内外长期激光数据集。针对环境变化:提出DXSLAM:现有基于深度学习成果的集大成者(利用superpoint替换orb, 利用hfnet做定位)提出RaP-Net:在图像中的静态稳定区域提取关键点。多机协作:A collaborative visual sl原创 2021-08-02 22:49:09 · 740 阅读 · 0 评论 -
【论文笔记】实时、SOTA的激光里程计 Efficient LiDAR Odometry for Autonomous Driving 2021
Efficient LiDAR Odometry for Autonomous Driving 2021浙江大学地面点在BEV中处理,非地面点在range-image中处理,解决了range-image中的相邻的地面像素点在实际中相距缺非常远从而增大了匹配误差的问题。采用scan2model的方式提升匹配精度并达到了SOTA,但是局部model使用三张二维image来存储,因此内存消耗很小且有界。最终在嵌入式设备上的速度达到了37fps, 可以说是精度、速度、内存消耗的集大成者。概述:现有激光里原创 2021-04-24 22:14:06 · 863 阅读 · 0 评论 -
lego-loam代码阅读-- 特征提取部分
lego-loam 代码阅读记录 ------ 特征提取与关联部分:本文对 lego-loam代码的特征提取部分进行总结,以方便用python复现lego-loam的特征提取以及配准过程。最后对提取特征点的整个过程中用到的阈值进行了整理。1. imageProjection.cpp:首先说明 labelMat 的定义:size: (64,1800) 记录了点的聚类情况:-1: 地面点0: 初始值1,2,3,…: 有效聚类点999999: 无效聚类点.各个函数说明:projectPo原创 2021-03-23 19:07:34 · 936 阅读 · 0 评论 -
【论文笔记】基于点云柱面投影图的平面特征提取SLAM: Fast planar surface 3D SLAM using LIDAR 2017
本文提出了可以在大场景下实时运行的SLAM系统,其使用平面表面段(planar surface segments)来表示环境,因为它们在室内和室外城市空间中都很普遍。本文的三个创新点:使用了现有的方法(原本是设计用于RGBD数据),在全景视图上对点云进行分割:将点云划分为三个双通道的全景图上,基于Delaunay三角剖分以及区域合并,实现点云的2.5D快速分割。《Fast pose tracking based on ranked 3D planar patch correspondences》原创 2021-02-14 22:15:20 · 1071 阅读 · 0 评论 -
【论文笔记】激光点云柱面投影图的显著性检测 LiDAR Imaging-based Attentive Perception
内华达大学里诺分校在嵌入式处理器设备上(飞行器)达到了毫秒级执行时间, 使用的激光雷达型号 : OUSTER OS1-64 (图像尺寸2048×10),OUSTER OS0-128(图像尺寸2048×10)这种激光雷达可以提供的信息包括: 距离, 强度, 反射率(表面属性)以及环境的近红外成像(环境中红外源的图像)本文融合了上述几种数据源,将激光雷达作为新型相机, 在其上进行语义分割,然后在最显著的目标上进行检测\分类\识别等, 因而降低了计算量。本文方法概述:使用四种数据图像(距离, .原创 2021-01-30 20:08:16 · 613 阅读 · 0 评论 -
【论文笔记】高效、稀疏的三维激光SLAM : A Novel 3D LiDAR SLAM Based on Directed Geometry Point and Sparse Frame
中国科学院自动化研究所基于scan2map的三维激光slam鲁棒性好, 深度信息精确, 是相关领域的研究热点。但是,为了达到满意的定位精度,还需要构建一个大的稠密地图,这导致scan2map的匹配非常耗时。为了解决这个问题,本文提出了一种基于有向几何点(DGP)和稀疏帧的新型3D激光SLAM(包括闭环检测以及位姿图优化)。前者用于在空间维度上提供点的稀疏分布,后者用于在时间序列中产生帧的稀疏分布。该策略提升了三维激光SLAM的效率和里程计位姿估计的精度。为了补偿稀疏帧导致的定位和建图的精度损失,本文.原创 2021-01-13 16:51:55 · 543 阅读 · 1 评论 -
【论文笔记】 ICRA 2021 通用无监督激光里程计 Self-supervised Learning of LiDAR Odometry for Robotic Applications
Self-supervised Learning of LiDAR Odometry for Robotic Applications ICRA 2021苏黎世联邦理工学院机器人系统实验室, 马克斯·普朗克学习系统中心,德国/瑞士视频链接:https://www.bilibili.com/video/av287853798代码链接: https://github.com/leggedrobotics/DeLORA论文链接:https://arxiv.org/pdf/2011.05418.pdf原创 2020-11-24 15:00:28 · 1335 阅读 · 5 评论 -
python中 使用EVO工具 批量评估里程计 脚本
背景从win10远程ubuntu服务器跑代码,使用slam的evo工具在KITTI odometry数据集上对网络预测的位姿序列进行评估,一共十个序列,需要输10次命令行(evo_traj/ evo_ape/evo_rpe…balabala),非常不方便,因此想写在python文件的test.py里面,输出预测位姿后保存到文件然后调用命令行直接评估,同时保存评估结果.理想丰满,现实就不是了: 发现编辑的脚本文件跑不通,查了下发现是dos与unix的底层字符不一样(\\n 和\n的区别),以及脚本语言太底原创 2020-11-21 16:55:34 · 943 阅读 · 2 评论 -
【论文笔记】无监督的激光雷达里程计CAE-LO 2020
LiDAR Odometry Leveraging FullyUnsupervised Convolutional Auto-Encoder for Interest Point Detection and Feature Description代码链接武汉大学测绘遥感信息工程国家重点实验室,芬兰地理空间研究所遥感与摄影测量系和激光扫描研究卓越中心湖北工业大学经济管理学院本文工作:本文提出了一种有效的激光点云关键点检测和特征点提取的方法,两种方法都是无监督的。通过关键点匹配对求解关键帧之原创 2020-11-11 19:57:23 · 596 阅读 · 0 评论 -
【论文笔记】基于点云投影的激光里程计: CNN for IMU Assisted Odometry Estimation using Velodyne LiDAR
论文将三维点云编码成2维矩阵,使用CNN对其进行特征提取和后续处理.类似的方法在其之前的工作中被用于ground segmentation 以及 vehicle detection:《M. Velas, M. Spanel, M. Hradis, and A. Herout, “CNN for very fastground segmentation in Velodyne lidar data,” 2017. [Online]. Available:http://arxiv.org/abs/1709.原创 2020-09-27 11:43:35 · 501 阅读 · 0 评论 -
【论文笔记】激光里程计 DeepICP: An End-to-End Deep Neural Network for 3D Point Cloud Registration 2019
百度自动驾驶部门本文提出了用于点云配准的首个端到端可学习的网络,DeepICP。与现有基于几何方法的SOTA方法到达了长相思的性能。传统的点云配准过程包括:关键点检测,特征描述子提取,特征匹配,剔除离群点,估计变换矩阵。传统点云配准方法尽管在一些场景取得了较好的性能,但是依然没有一种全场景通用的点云配准方法。Deep ICP有个好处是他预测 的target点云的坐标是多个点加权得到的,而不是在target点云里面选一个。对于source 、target点云并不完全一致的情况(激光雷达的前后帧率).原创 2020-08-28 17:46:12 · 2576 阅读 · 3 评论 -
【论文笔记】激光里程计 DMLO: Deep Matching LiDAR Odometry 2020
DMLO: Deep Matching LiDAR Odometry 2020 激光里程计图森未来本文提出了基于深度学习方法的激光里程计,首次在激光里程计任务中使用全局稀疏匹配。其性能超越了现有的DP-based的方法,与几何SOTA方法(SUMA)性能很接近。相关工作局部迭代方法:ICP系列。应用比较普遍,但是计算量大,异常值敏感,需要很小心的初始化。全局稀疏配准:使用局部几何描述子,大多数手工提取,不适用于稀疏、不均匀的点云数据。DP-based:几何不可解释,泛化性不能保证原创 2020-08-30 22:46:48 · 1215 阅读 · 0 评论 -
【论文笔记】激光里程计网络 LO-Net:Deep Real-time Lidar Odometry2019
厦门大学,路易斯安那州立大学本文提出了激光里程计LO-Net,其通过多任务学习对点云数据同时进行法向量估计、动态区域预测、相机位姿回归。此外还设计了一个scan2map 的建图模块来降低累计误差、提升里程计的精度。达到了超越DP-based方法、与几何结构方法SOTA–LOAM相似的里程计性能。网络结构网络输入为前后帧的点云数据,网络分为三个部分:法向量估计网络动态区域mask估计网络位姿回归孪生网络最后,还有一个将当前帧的点云注册到map中的建图模块,负责将预测的相对位姿根据m.原创 2020-09-07 12:05:53 · 1937 阅读 · 6 评论 -
【论文笔记】 激光里程计 DeepPCO:End-to-End Point Cloud Odometry through Deep ParallelNeural Network 2020
In this paper, we investigate two key issues which impact the performance of PCO using end-to-end deep learning. The first is the representation (encoding) of the point cloud itself. This ranges from the raw point cloud to various approaches to projecting原创 2020-09-17 22:25:52 · 593 阅读 · 0 评论 -
【论文笔记】激光里程计 DeepLO:Geometry-Aware Deep LiDAR Odometry 2019
视频链接:链接使用surfel based 的表示方法(vertex+normal)作为网络的输入,避免了量化损失,看起来是一种不错的表示方法,既没有误差,保留了点云数据的精确性,还以一种map 的形式提供邻域查询功能,不需要KDtree检索之类。此外,使用几何一致性约束的损失函数进行无监督训练,通过扰动成像的方法证明了损失函数的可行性。并在部分场景上取得了优于有监督训练的精度。DeePLO同样对点云的表达形式做出了优化,使用了与range image类似的一种图像坐标参数化表示:(uv)=((.原创 2020-09-17 17:49:48 · 1862 阅读 · 2 评论